Cours

Linking to GEOS 3.11.0, GDAL 3.5.3, PROJ 9.1.0; sf_use_s2() is TRUE

Introduction

DONNEES

Migrations dure de vie

Nous proposons dans ce chapitre une analyse des migrations durée de vie c’est-à-dire des différences entre le lieu de naissance et le lieu de résidence déclarés au moment du recensement. Il s’agit évidemment d’une mesure assez grossière puisqu’elle conduit à ignorer toutes les étapes suivies par le migrant au cours de sa vie et dépend étroitement de l’âge de l’individu. La mesure peut de plus s’avérer trompeuse puisqu’une personne née en un lieu A peut avoir vécu dans les lieux B, C, D avant de revenir en A au moment du recensement qui concluera à l’absence de mobilité…

Exemple théorique de parcours migratoire

Dans l’exemple théorique présenté ci-dessus, l’individu concerné qui est né dans la commune de Malanville (département Alibori) sera réputé avoir effectué une migration durée de vie lors des recensements de 1979 où il est recensé à Parakou (département de Borgou), en 1992 où il est recensé à Abomey-Calavi (département Atlantique) et en 2002 où iest recensé à Grand-Popo (département du Mono). En revanche il ne sera pas considéré comme migrant en 2013 puisqu’il réside à nouveau dans la commune et le département de son lieu de naissance.

IPUMS international

Le site IPUMS permet d’analyser en détail la disponibilité des variables utiles à l’analyse ainsi que leurs éventuels changements au cours du temps. Il est donc recommandé d’utiliser les métadonnées nombreuses offertes par IPUMS avant de se lancer dans ses propres analyses

Département de naissance (BPLBJ1)

La page de description de la variable BPLBJ1 nous fournit d’abord une description de sa disponibilité et des effectifs correspondant à chacune des dates de recensement.

Disponibilité de la variable département de naissance

Comme on peut le voir dans l’image ci-dessous, il n’y a pas de difficultés particulières concernant les mouvements internes au pays mais il y a une absence d’information sur les personnes nées à l’étranger lors des recensements de 1979 et 1992. Ils sont rangés à cette date dans la catégorie inconnue dont on voit en 2002 qu’elle ne concerne pas forcément les étrangers.

Les onglets suivants précisent la définition de la variable en anglais (BPLBJ1 indicates the person’s department of birth within Benin.) et indiquent le degré de comparabilité entre les dates (There have not been any changes in boundaries for all sample years in BPLBJ1 and is comparable across all available sample years.). Ils fournissent ensuite un document précisant les questions exactes qui ont été posées dans le questionnaire de recnsement et les instructions données aux agents recenseurs.

Mieux encore, on peut accéder à un fac similé du document papier de recensemet qui a permis d’établir les statistiques de lieu de résidence (en vert), de lieu de naissance (en rouge) et de lieu de résidence antérieure (en bleu)

Commune de naissance (BPLBJ2)

Cette variable permet une localisation plus précise des lieux de naissance mais elle comporte un certain degré d’incertitude puisque pour certains individus on ne connaît que le département de naissance mais pas la commune à l’intérieur de ceux-ci. Ces cas de localisation du leiu de naissance uniquement au niveau du département ne se présentent qu’en 2002 et 2013 et concernent un effectif limité. Dans le cas des recensements de 1979 et 1992, ils sont comptabilisés dans la catégorie “Inconnu” dont nous avons vu précédemment qu’elle concernait aussi les personnes nées à l’étranger.

Questionnaire de la variable département de naissance au RP 1979

Au final, et dans la perspective comparative que nous suivons, il semble préférable de travailler sur un échantillon limité aux individus dont on connait la commune de naissance en éliminant ceux qui sont nés à l’étranger.

Choix des indicateurs

Nous avons procédé à une extraction des données IPUMS International pour trois pays à trois dates de recensement :

• Bénin, RP 2013
• Burkina Faso, RP 2006
• Mali, RP 2009

Afin de préserver la confidentialité des données, nous avons agrégé le tableau initial des individus (échantillon de 10%) por obtenir les effectifs de personnes ayant migré d’un département à un autre ou d’une région à une autre. Mais nous avons conservé la possibilité d’analyser séparément des sous populations :

• Hommes
• Femmes
• 0-14 ans
• 15-29 ans
• 30-44 ans
• 45-59 ans
• 60-74 ans
• 75 ans et +

Le fichier de données se présente donc comme suit :

Extrait du fichier de données

	Pays	YEAR	GEO_RESIDENCE_Niv2	GEO_NAISSANCE_Niv2	GEO_RESIDENCE_Niv1	GEO_NAISSANCE_Niv1	POP_Total_IPUMS	SEXE_Hom_IPUMS	SEXE_Fem_IPUMS	AGE_0014_IPUMS	AGE_1529_IPUMS	AGE_3044_IPUMS	AGE_4559_IPUMS	AGE_6074_IPUMS	AGE_75pl_IPUMS
3	Benin	2013	Banikorara	Banikorara	Alibori	Alibori	238460	119100	119360	126210	61140	30750	11300	6310	2750
4	Benin	2013	Banikorara	Gogounou	Alibori	Alibori	280	80	200	100	110	60	0	10	0
5	Benin	2013	Banikorara	Kandi	Alibori	Alibori	560	300	260	120	300	110	10	10	10
6	Benin	2013	Banikorara	Karimama	Alibori	Alibori	150	60	90	70	30	40	10	0	0

• Commentaire : la première ligne indique les personnes nées dans la commune de Banikoara et qui y résident en 2013. Il s’agit donc a priori de populations “immobiles” même si on ne peut pas exclure qu’elles aient effectués des déplacements. La seconde ligne indique des personnes nées dans la commune de Gogounou qui résident dans la commune de Banikoara en 2013. Cela concerne 280 habitants qui se répartissent en 80 hommes et 200 femmes ou bien en 100 individus de 0-14 ans, 110 individus de 15-29 ans, 60 individus de 30-44 ans et 10 individus de 60-74 ans. Le fait que tous les nombres soient arrondis à la dizaine (finissent pas 0) s’explique par le fait que nous avons utilisé un échantillon du recensement à 10% et que nous avons multiplié par 10 les résultats.

Cartographie

Afin de pouvoir ultérieurment cartographier les résultats, nous avons ajusté les codes géographiques fournis par IPUMS à ceux des fonds de carte GADM. Pour chacun des pays nous pouvons donc représenter les résultats des analyses à deux niveaux administratifs différents.

Bénin

Burkina Faso

Mali

INDICATEURS GLOBAUX

Nous pouvons dans un premier temps produire un certain nombre d’indicateurs nationaux en vue de comparer les trois pays retenus.

Mobilité générale

Comme nous l’avons expliqué en introduction, la mobilité n’est pas directement mesurable à l’aide de notre source car on ignore les étapes du parcours migratoire. On peut néanmoins essayer de calculer combien de personnes résident dans le lieu où ils sont nés, sachant que ce lieu peut être mesuré à deux niveaux géographiques différents.

Mobilité par pays et niveau administratif

Pays	mob	n	pct
Benin	0-Stable	7979390	79.0
Benin	1-Local	517100	5.1
Benin	2-Régional	1600440	15.9
Burkina Faso	0-Stable	11793300	87.7
Burkina Faso	1-Local	259400	1.9
Burkina Faso	2-Régional	1387130	10.3
Mali	0-Stable	10985140	75.7
Mali	1-Local	1762880	12.1
Mali	2-Régional	1770540	12.2

• Dans le cas du Bénin en 2013, 79% des personnes résident dans leur commune de naissance 5% résident dans une autre commune du même département et 16% dans un autre département et donc une autre commune. La mobilité de la population sera donc de 16% au niveau départemental et de 21% au niveau communal.

• Dans le cas du Burkina Faso en 2008, lamobilité semble un peu plus faible : 88% des personnes résident dans leur province de naissance,2% résident dans une autre province de la même région et 10% dans une autre région.

• Le cas du Mali en 2009 76% des personnes résident dans leur cercle de naissance 12% résident dans un autre cercle du même département et 12% dans un autre département et donc une autre commune. La mobilité de la population sera donc de 12% au niveau départemental et de 24% au niveau des cercles

Mobilité par sexe et par âge

En se limitant aux mobilités inter-départementales ou inter-régionales, on peut examiner les différences par sexe ou par âge :

Warning: Setting row names on a tibble is deprecated.

Mobilité inter-régionale par sexe (%)

	Benin	Burkina Faso	Mali
Hommes	15.6	10.2	12.5
Femmes	16.1	10.4	11.9
Ensemble	15.9	10.3	12.2

• Commentaire : la mobilité des femmes est légèrement plus forte que celle des hommes au Burkina Faso et au Bénin, mais pas au Mali où c’est l’inverse.

Warning: Setting row names on a tibble is deprecated.

Mobilité inter-régionale par âge (%)

	Benin	Burkina Faso	Mali
0-14 ans	9.2	4.1	6.0
15-29 ans	20.3	14.0	17.4
30-44 ans	24.8	18.7	18.6
45-59 ans	23.7	17.9	17.3
60-74 ans	17.0	15.1	13.9
75 ans et +	13.6	12.9	12.4
Ensemble	15.9	10.3	12.2

• Commentaire : dans le cas d’une migration durée de vie on pourrait s’attendre à ce qu’elle augmente avec l’âge puisque plus on est vieux, plus on a eu l’occasion de s’éloigner de son lieu de naissance. Mais en fait la mobilité n’est pas seulement une question d’âge mais aussi de génération. Ce qui signifie que les opportunités de mobilité à l’âge de 20-40 ans n’auront pas forcément été les mêmes pour des personnes nées en 1920 (migration dans les années 1940-60) et des personnes nées en 1960 (migration dans les années 1980-2000). On constate dans les trois pays que la mobilité est la plus faible dans les âges extrêmes (jeunes de 0-14 ans et vieux de plus de 75 ans) tandis qu’elle est maximale dans la classe des 30-44 ans.

INDICATEURS LOCAUX

A la différence des indicateurs précédents, ils concernent non pas l’ensemble du pays mais chacune des unités spatiales. Nous allons les présenter en prenant l’exemple des 12 départements du Bénin :

Exemple du Bénin

On calcule pour chaque département les trois variables de stock suivantes :

• STA : le nombre de personnes recensées dans un département qui y sont né
• EMI : le nombre de personnes nées dans un département qui ont té recensées dans un autre
• IMM : le nombre de personnes recensées dans un département qui sont nées dans un autre.

On en déduit trois autres variables de stock :

• VOL = EMI+IMM : le volume de personnes qui sont nées ou résident dans un département.
• SOL = IMM-EMI : le solde des arrivées et des départs d’un département parmi les survivants à la date du recensement
• POMOY = STA + (EMI+IMM)/2 : Une estimation (très imparfaite) de la population moyenne du département entre la date du recensement et la date de naissance des personnes qui y résident.

Joining with `by = join_by(code)`
Joining with `by = join_by(code)`
Joining with `by = join_by(code)`

Dynamique migratoires par région (effectifs)

code	nom	STA	EMI	IMM	VOL	SOL	POPMOY
BJ01	Alibori	820080	32940	20060	53000	-12880	846580
BJ02	Atakora	742290	78450	27380	105830	-51070	795205
BJ03	Atlantique	931830	93970	439840	533810	345870	1198735
BJ04	Borgou	1045930	56670	143800	200470	87130	1146165
BJ05	Collines	612220	96710	77430	174140	-19280	699290
BJ07	Donga	501240	56560	24480	81040	-32080	541760
BJ06	Kouffo	719190	81180	19060	100240	-62120	769310
BJ08	Littoral	399480	325200	211000	536200	-114200	667580
BJ09	Mono	442790	94200	40340	134540	-53860	510060
BJ10	Ouémé	918040	113160	149920	263080	36760	1049580
BJ11	Plateau	578250	53500	40600	94100	-12900	625300
BJ12	Zou	785150	169510	58140	227650	-111370	898975

• Exemple de lecture : Lors du recensement de 2013 on trouve dans le département de Borgou (BJ004) 1045930 personnes qui y résident et y sont nés et 143800 qui y résident mais sont venues d’un autre département. On trouve dans les autres départements du Bénin 56670 personnes qui ont déclaré être nées dans le Borgou. On en déduit que le solde des échanges du Borgou avec les autres départements du Bénin est positif puisque le bilan des arrivées et des départs est égal à (143800-56670 = +81730). Quand au volume il mesure la part de ce département dans les échanges migratoires du pays que ce soit comme lieu de départ ou d’arrivée et se monte à (143800+56670 = 200470). La population du département ayant été modifiée par les arrivées ou les départs, on essaye d’en estimer la valeur moyenne au cours de la durée de vie des habitants en faisant la moyenne des résidents et des natifs.

A partir de ce tableau d’effectif, on peut calculer les taux suivants :

• txEMI = 100 x EMI/POPMOY : taux d’émigration (en %)
• txIMM = 100 x IMM/POPMOY : taux d’immigration (en %)
• txMOB = 100 x VOL/POPMOY : taux de mobilité (en %)
• txACM = 100 x SOL/POPMOY : taux d’ac. migratoire (en %)
• txASY = SOL/VOL : indicateur d’asymétrie des flux (compris entre -1 et +1)

Dynamique migratoires par région (taux)

code	nom	POPMOY	txEMI	txIMM	txMOB	txACM	txASY
BJ01	Alibori	846580	3.9	2.4	6.3	-1.5	-0.24
BJ02	Atakora	795205	9.9	3.4	13.3	-6.4	-0.48
BJ03	Atlantique	1198735	7.8	36.7	44.5	28.9	0.65
BJ04	Borgou	1146165	4.9	12.5	17.5	7.6	0.43
BJ05	Collines	699290	13.8	11.1	24.9	-2.8	-0.11
BJ07	Donga	541760	10.4	4.5	15.0	-5.9	-0.40
BJ06	Kouffo	769310	10.6	2.5	13.0	-8.1	-0.62
BJ08	Littoral	667580	48.7	31.6	80.3	-17.1	-0.21
BJ09	Mono	510060	18.5	7.9	26.4	-10.6	-0.40
BJ10	Ouémé	1049580	10.8	14.3	25.1	3.5	0.14
BJ11	Plateau	625300	8.6	6.5	15.0	-2.1	-0.14
BJ12	Zou	898975	18.9	6.5	25.3	-12.4	-0.49

• Exemples de lecture : Le département du Littoral (où se trouve la capitale économique Cotonou) affiche le plus fort taux de mobilité (80.3%) et se caractérise à la fois par un fort taux d’émigration (48.7%) et un fort taux d’immigration (31.6%). Bien que son solde migratoire soit négatif (-17.1%) il s’agit d’une plaque tournante des échanges migratoires. Le département de Kouffo est caractérisé par une mobilité beaucoup plus faible (13%) et par une très forte différence entre les taux d’émigration (10.6%) et d’immigration (2.5%) ce qui aboutit à une forte asymétrie entre les arrivées et les départs (-0.62) associée à un solde négatif (-8.1%). Il s’agit donc d’un département répulsif. Le département de Borgou qui est la capitale du nord du pays se caractérise par une mobilité plus forte (17.5%) avec un taux d’immigration élevé (+12.5%) et un taux d’émigration faible (+4.9%) ce qui donne un solde positif (+7.6%) et une asymétrie favorable (+0.43). Enfin, l’Atlantique où se trouve la métropole d’Abomey-Calavi cumule les avantages puisque ce département attire à la fois des migrants de l’ensemble du pays mais aussi bénéficie du redéversement de la population de Cotonou où la densité d’occupation du sol aboutit à une saturation des possibilités de croissance.

Exemple du Burkina Faso

Joining with `by = join_by(code)`
Joining with `by = join_by(code)`
Joining with `by = join_by(code)`

Dynamique migratoires par région (effectifs)

code	nom	STA	EMI	IMM	VOL	SOL	POPMOY
BF46	Boucle du Mouhoun	1282600	147970	106580	254550	-41390	1409875
BF47	Cascades	409400	29190	91720	120910	62530	469855
BF13	Centre	1090000	94960	492740	587700	397780	1383850
BF48	Centre-Est	1031750	78800	54580	133380	-24220	1098440
BF49	Centre-Nord	1144060	132890	45780	178670	-87110	1233395
BF50	Centre-Ouest	1026170	119140	92680	211820	-26460	1132080
BF51	Centre-Sud	568440	119830	46820	166650	-73010	651765
BF52	Est	1134760	39200	59240	98440	20040	1183980
BF53	Haut-Bassins	1140250	126970	249700	376670	122730	1328585
BF54	Nord	1105130	258590	35690	294280	-222900	1252270
BF55	Plateau-Central	631090	135660	46320	181980	-89340	722080
BF56	Sahel	934760	53970	22020	75990	-31950	972755
BF57	Sud-Ouest	554290	49960	43260	93220	-6700	600900

• Commentaire :

Dynamique migratoires par région (taux)

code	nom	POPMOY	txEMI	txIMM	txMOB	txACM	txASY
BF46	Boucle du Mouhoun	1409875	10.5	7.6	18.1	-2.9	-0.16
BF47	Cascades	469855	6.2	19.5	25.7	13.3	0.52
BF13	Centre	1383850	6.9	35.6	42.5	28.7	0.68
BF48	Centre-Est	1098440	7.2	5.0	12.1	-2.2	-0.18
BF49	Centre-Nord	1233395	10.8	3.7	14.5	-7.1	-0.49
BF50	Centre-Ouest	1132080	10.5	8.2	18.7	-2.3	-0.12
BF51	Centre-Sud	651765	18.4	7.2	25.6	-11.2	-0.44
BF52	Est	1183980	3.3	5.0	8.3	1.7	0.20
BF53	Haut-Bassins	1328585	9.6	18.8	28.4	9.2	0.33
BF54	Nord	1252270	20.6	2.9	23.5	-17.8	-0.76
BF55	Plateau-Central	722080	18.8	6.4	25.2	-12.4	-0.49
BF56	Sahel	972755	5.5	2.3	7.8	-3.3	-0.42
BF57	Sud-Ouest	600900	8.3	7.2	15.5	-1.1	-0.07

• Commentaire :

Exemple du Mali

On calcule les mêmes tableaux que pour le Bénin sans les commenter :

Joining with `by = join_by(code)`
Joining with `by = join_by(code)`
Joining with `by = join_by(code)`

Dynamique migratoires par région (effectifs)

code	nom	STA	EMI	IMM	VOL	SOL	POPMOY
ML01	Kayes	1865590	136530	89260	225790	-47270	1978485
ML02	Koulikoro	2073880	241140	284110	525250	42970	2336505
ML03	Sikasso	2403500	205190	148070	353260	-57120	2580130
ML04	Ségou	2170970	286650	117900	404550	-168750	2373245
ML05	Mopti	1944540	189380	64010	253390	-125370	2071235
ML06	Timbuktu	648360	72300	18650	90950	-53650	693835
ML07	Gao	461040	40250	14140	54390	-26110	488235
ML08	Kidal	59770	3450	5780	9230	2330	64385
ML09	Bamako	1069670	185410	616620	802030	431210	1470685

• Commentaire :

Dynamique migratoires par région (taux)

	code	nom	POPMOY	txEMI	txIMM	txMOB	txACM	txASY
3	ML01	Kayes	1978485	6.9	4.5	11.4	-2.4	-0.21
5	ML02	Koulikoro	2336505	10.3	12.2	22.5	1.8	0.08
8	ML03	Sikasso	2580130	8.0	5.7	13.7	-2.2	-0.16
7	ML04	Ségou	2373245	12.1	5.0	17.0	-7.1	-0.42
6	ML05	Mopti	2071235	9.1	3.1	12.2	-6.1	-0.49
9	ML06	Timbuktu	693835	10.4	2.7	13.1	-7.7	-0.59
2	ML07	Gao	488235	8.2	2.9	11.1	-5.3	-0.48
4	ML08	Kidal	64385	5.4	9.0	14.3	3.6	0.25
1	ML09	Bamako	1470685	12.6	41.9	54.5	29.3	0.54

• Commentaire :

MATRICES O-D

Au delà des indicateurs simples décrits dans la section précédente, on peut procéder à une analyse spatiale des déplacements en construisant des matrices origine-destination qui mesurent le flux de personnes entre leurs lieux de naissance et leurs lieux de résidence. Cela ouvre une vaste gamme de possibilités de traitements que nous allons illustrer par l’exemple du recensement de 2013 au Bénin mais que l’on pourra évidemment reproduire pour d’autres dates ou d’autres pays.

Exemple du Bénin

L’établissement de la matrice de flux est très facile. Elle suppose d’établir d’abord un tableau d’interactions au format “long”

Joining with `by = join_by(i)`
Joining with `by = join_by(j)`

Migrations durée de vie (format long)

i	j	name_i	name_j	Fij
BJ01	BJ01	Alibori	Alibori	820080
BJ01	BJ02	Alibori	Atakora	4720
BJ01	BJ03	Alibori	Atlantique	2940
BJ01	BJ04	Alibori	Borgou	17040
BJ01	BJ05	Alibori	Collines	1950
BJ01	BJ06	Alibori	Kouffo	100

On peut ensuite transformer le tableau d’interaction en format large en utilisant au choix la fonction dcast() (des packages reshape2 et data.table ) ou la procédure pivot_wider() du package tidyr qui fait partie de l’univers tidyverse.

Using Fij as value column: use value.var to override.

Migrations durée de vie (format large)

name_i	Alibori	Atakora	Atlantique	Borgou	Collines	Donga	Kouffo	Littoral	Mono	Ouémé	Plateau	Zou
Alibori	820080	4720	2940	17040	1950	1150	100	2090	370	1090	190	1300
Atakora	2180	742290	5970	45910	7950	8150	260	3310	650	1950	550	1570
Atlantique	500	1530	931830	3270	2380	690	1960	48760	7750	17840	2120	7170
Borgou	5460	6660	12060	1045930	7640	5380	920	9360	1080	4150	430	3530
Collines	2770	2880	31880	23950	612220	4000	1130	11400	1460	4600	1570	11070
Donga	1910	4640	5870	21390	8230	501240	180	10150	250	2670	450	820
Kouffo	320	630	31620	3670	5210	920	719190	10720	12380	5120	1490	9100
Littoral	4170	2580	203580	11210	5570	2250	2910	399480	10620	66160	4370	11780
Mono	410	620	48920	1990	1700	350	5390	22580	442790	7620	1220	3400
Ouémé	740	1310	27710	4820	1880	590	1360	47950	2460	918040	19650	4690
Plateau	380	370	6490	1170	1910	160	450	11700	830	26330	578250	3710
Zou	1220	1440	62800	9380	33010	840	4400	32980	2490	12390	8560	785150

On peut enfin transformer le tableau en un objet de type matrice ce qui suppose de transformer la variable name_i en nom des lignes :

Migrations durée de vie au Bénin en 2013 (matrice)

	Alibori	Atakora	Atlantique	Borgou	Collines	Donga	Kouffo	Littoral	Mono	Ouémé	Plateau	Zou	Sum
Alibori	820080	4720	2940	17040	1950	1150	100	2090	370	1090	190	1300	853020
Atakora	2180	742290	5970	45910	7950	8150	260	3310	650	1950	550	1570	820740
Atlantique	500	1530	931830	3270	2380	690	1960	48760	7750	17840	2120	7170	1025800
Borgou	5460	6660	12060	1045930	7640	5380	920	9360	1080	4150	430	3530	1102600
Collines	2770	2880	31880	23950	612220	4000	1130	11400	1460	4600	1570	11070	708930
Donga	1910	4640	5870	21390	8230	501240	180	10150	250	2670	450	820	557800
Kouffo	320	630	31620	3670	5210	920	719190	10720	12380	5120	1490	9100	800370
Littoral	4170	2580	203580	11210	5570	2250	2910	399480	10620	66160	4370	11780	724680
Mono	410	620	48920	1990	1700	350	5390	22580	442790	7620	1220	3400	536990
Ouémé	740	1310	27710	4820	1880	590	1360	47950	2460	918040	19650	4690	1031200
Plateau	380	370	6490	1170	1910	160	450	11700	830	26330	578250	3710	631750
Zou	1220	1440	62800	9380	33010	840	4400	32980	2490	12390	8560	785150	954660
Sum	840140	769670	1371670	1189730	689650	525720	738250	610480	483130	1067960	618850	843290	9748540

L’intérêt du format matriciel est de faciliter des opérations mathématiques telles que le calcul de pourcentage en ligne ou le pourcentage en colonnes qui vont indiquer respectivement des probabilités de destination ou des probabilités d’origines.On va illustrer ces possibilités sur une matrice dont on a retiré la diagonale

Probabilité de destination des migrants durée de vie (en %)

	Alibori	Atakora	Atlantique	Borgou	Collines	Donga	Kouffo	Littoral	Mono	Ouémé	Plateau	Zou	sum
Alibori	0.0	14.3	8.9	51.7	5.9	3.5	0.3	6.3	1.1	3.3	0.6	3.9	100
Atakora	2.8	0.0	7.6	58.5	10.1	10.4	0.3	4.2	0.8	2.5	0.7	2.0	100
Atlantique	0.5	1.6	0.0	3.5	2.5	0.7	2.1	51.9	8.2	19.0	2.3	7.6	100
Borgou	9.6	11.8	21.3	0.0	13.5	9.5	1.6	16.5	1.9	7.3	0.8	6.2	100
Collines	2.9	3.0	33.0	24.8	0.0	4.1	1.2	11.8	1.5	4.8	1.6	11.4	100
Donga	3.4	8.2	10.4	37.8	14.6	0.0	0.3	17.9	0.4	4.7	0.8	1.4	100
Kouffo	0.4	0.8	39.0	4.5	6.4	1.1	0.0	13.2	15.3	6.3	1.8	11.2	100
Littoral	1.3	0.8	62.6	3.4	1.7	0.7	0.9	0.0	3.3	20.3	1.3	3.6	100
Mono	0.4	0.7	51.9	2.1	1.8	0.4	5.7	24.0	0.0	8.1	1.3	3.6	100
Ouémé	0.7	1.2	24.5	4.3	1.7	0.5	1.2	42.4	2.2	0.0	17.4	4.1	100
Plateau	0.7	0.7	12.1	2.2	3.6	0.3	0.8	21.9	1.6	49.2	0.0	6.9	100
Zou	0.7	0.8	37.0	5.5	19.5	0.5	2.6	19.5	1.5	7.3	5.0	0.0	100

• Commentaire : Si l’on prend l’exemple des personnes nées à Alibori qui résident dans un autre département en 2013, on constate que plus de la moitié d’entre elles (51.7%) on été recensés dans le département de Borgou, 14.3% dans le département voisin d’Atacora et seulement 8.9 % vers Cotonou (département de l’Atlantique). Inversement, les personnes nées dans le département du Mono qui résident dans un autre département en 2013 ont choisi majoritairement la capitale Cotonou (51.9%) et sa périphérie proche du département du Littoral (24.0%). On voit donc bien apparaître des clivages liés à la distance aux métropoles principales du pays qui polarisent chacune un espace migratoire distinct.

Procédons à l’opération inverse de calcul des origines mais en ne retirant pas cette fois-ci la diagonale afin de voir la part des populations autchtones

Département de naissance des individus (en %)

	Alibori	Atakora	Atlantique	Borgou	Collines	Donga	Kouffo	Littoral	Mono	Ouémé	Plateau	Zou
Alibori	97.6	0.6	0.2	1.4	0.3	0.2	0.0	0.3	0.1	0.1	0.0	0.2
Atakora	0.3	96.4	0.4	3.9	1.2	1.6	0.0	0.5	0.1	0.2	0.1	0.2
Atlantique	0.1	0.2	67.9	0.3	0.3	0.1	0.3	8.0	1.6	1.7	0.3	0.9
Borgou	0.6	0.9	0.9	87.9	1.1	1.0	0.1	1.5	0.2	0.4	0.1	0.4
Collines	0.3	0.4	2.3	2.0	88.8	0.8	0.2	1.9	0.3	0.4	0.3	1.3
Donga	0.2	0.6	0.4	1.8	1.2	95.3	0.0	1.7	0.1	0.3	0.1	0.1
Kouffo	0.0	0.1	2.3	0.3	0.8	0.2	97.4	1.8	2.6	0.5	0.2	1.1
Littoral	0.5	0.3	14.8	0.9	0.8	0.4	0.4	65.4	2.2	6.2	0.7	1.4
Mono	0.0	0.1	3.6	0.2	0.2	0.1	0.7	3.7	91.7	0.7	0.2	0.4
Ouémé	0.1	0.2	2.0	0.4	0.3	0.1	0.2	7.9	0.5	86.0	3.2	0.6
Plateau	0.0	0.0	0.5	0.1	0.3	0.0	0.1	1.9	0.2	2.5	93.4	0.4
Zou	0.1	0.2	4.6	0.8	4.8	0.2	0.6	5.4	0.5	1.2	1.4	93.1
sum	100.0	100.0	100.0	100.0	100.0	100.0	100.0	100.0	100.0	100.0	100.0	100.0

• Commentaire : La diagonale de cette matrice montre le degré de diversité des origines départementales des population qui résident dans chaque département en 2013. Les départements isolés et peu attractifs ont des taux très élevés de populations nées dans le même département, ce que l’on peut voir avec les départements d’Alibori (97.7%), de Couffo (97.4%) ou d’Atacora (96.4%). Inversement les départements métropolitains qui ont attiré des migrants de tous le pays affichent des taux plus faibles de populations nées dans le même département ce que l’on peut voir pour les départements de l’Atlantique (67.9%), du Littoral (65.4%), des Collines (88.8%) ou de Borgou (87.9%).

Exemple du Burkina Faso

Joining with `by = join_by(i)`
Joining with `by = join_by(j)`
Using Fij as value column: use value.var to override.

Migrations durée de vie (matrice)

	Boucle du Mouhoun	Cascades	Centre	Centre-Est	Centre-Nord	Centre-Ouest	Centre-Sud	Est	Haut-Bassins	Nord	Plateau-Central	Sahel	Sud-Ouest	Sum
Boucle du Mouhoun	1282600	16810	37900	1190	1240	7190	1080	1400	66110	6500	1060	1480	6010	1430570
Cascades	1480	409400	6530	760	310	820	320	570	14530	940	200	370	2360	438590
Centre	6060	4330	1090000	7750	5380	16160	10540	4570	17550	5920	10830	2230	3640	1184960
Centre-Est	740	950	37570	1031750	2220	2230	4400	14550	5310	950	7880	1320	680	1110550
Centre-Nord	3030	4310	29910	13380	1144060	12700	13710	17330	17720	1310	13160	4020	2310	1276950
Centre-Ouest	14480	3970	56180	1470	1840	1026170	3670	2160	21870	4780	3780	800	4140	1145310
Centre-Sud	1050	540	97980	3580	1090	7680	568440	940	3030	950	1680	600	710	688270
Est	570	590	15030	10880	2920	980	820	1134760	2000	870	1200	3020	320	1173960
Haut-Bassins	18710	27440	47540	1900	2840	5740	1680	2170	1140250	5620	1060	1560	10710	1267220
Nord	53240	20780	59970	1460	10060	21150	980	1320	71580	1105130	4030	5210	8810	1363720
Plateau-Central	2050	1150	79220	10140	5060	13720	8260	4550	5830	2490	631090	810	2380	766750
Sahel	2780	2380	10700	1550	12260	1610	790	9100	6200	4430	980	934760	1190	988730
Sud-Ouest	2390	8470	14210	520	560	2700	570	580	17970	930	460	600	554290	604250
Sum	1389180	501120	1582740	1086330	1189840	1118850	615260	1194000	1389950	1140820	677410	956780	597550	13439830

• Commentaire :

Probabilité de destination des migrants durée de vie (en %)

	Boucle du Mouhoun	Cascades	Centre	Centre-Est	Centre-Nord	Centre-Ouest	Centre-Sud	Est	Haut-Bassins	Nord	Plateau-Central	Sahel	Sud-Ouest	sum
Boucle du Mouhoun	0.0	11.4	25.6	0.8	0.8	4.9	0.7	0.9	44.7	4.4	0.7	1.0	4.1	100
Cascades	5.1	0.0	22.4	2.6	1.1	2.8	1.1	2.0	49.8	3.2	0.7	1.3	8.1	100
Centre	6.4	4.6	0.0	8.2	5.7	17.0	11.1	4.8	18.5	6.2	11.4	2.3	3.8	100
Centre-Est	0.9	1.2	47.7	0.0	2.8	2.8	5.6	18.5	6.7	1.2	10.0	1.7	0.9	100
Centre-Nord	2.3	3.2	22.5	10.1	0.0	9.6	10.3	13.0	13.3	1.0	9.9	3.0	1.7	100
Centre-Ouest	12.2	3.3	47.2	1.2	1.5	0.0	3.1	1.8	18.4	4.0	3.2	0.7	3.5	100
Centre-Sud	0.9	0.5	81.8	3.0	0.9	6.4	0.0	0.8	2.5	0.8	1.4	0.5	0.6	100
Est	1.5	1.5	38.3	27.8	7.4	2.5	2.1	0.0	5.1	2.2	3.1	7.7	0.8	100
Haut-Bassins	14.7	21.6	37.4	1.5	2.2	4.5	1.3	1.7	0.0	4.4	0.8	1.2	8.4	100
Nord	20.6	8.0	23.2	0.6	3.9	8.2	0.4	0.5	27.7	0.0	1.6	2.0	3.4	100
Plateau-Central	1.5	0.8	58.4	7.5	3.7	10.1	6.1	3.4	4.3	1.8	0.0	0.6	1.8	100
Sahel	5.2	4.4	19.8	2.9	22.7	3.0	1.5	16.9	11.5	8.2	1.8	0.0	2.2	100
Sud-Ouest	4.8	17.0	28.4	1.0	1.1	5.4	1.1	1.2	36.0	1.9	0.9	1.2	0.0	100

• Commentaire :

Département de naissance des individus (en %)

	Boucle du Mouhoun	Cascades	Centre	Centre-Est	Centre-Nord	Centre-Ouest	Centre-Sud	Est	Haut-Bassins	Nord	Plateau-Central	Sahel	Sud-Ouest
Boucle du Mouhoun	92.3	3.4	2.4	0.1	0.1	0.6	0.2	0.1	4.8	0.6	0.2	0.2	1.0
Cascades	0.1	81.7	0.4	0.1	0.0	0.1	0.1	0.0	1.0	0.1	0.0	0.0	0.4
Centre	0.4	0.9	68.9	0.7	0.5	1.4	1.7	0.4	1.3	0.5	1.6	0.2	0.6
Centre-Est	0.1	0.2	2.4	95.0	0.2	0.2	0.7	1.2	0.4	0.1	1.2	0.1	0.1
Centre-Nord	0.2	0.9	1.9	1.2	96.2	1.1	2.2	1.5	1.3	0.1	1.9	0.4	0.4
Centre-Ouest	1.0	0.8	3.5	0.1	0.2	91.7	0.6	0.2	1.6	0.4	0.6	0.1	0.7
Centre-Sud	0.1	0.1	6.2	0.3	0.1	0.7	92.4	0.1	0.2	0.1	0.2	0.1	0.1
Est	0.0	0.1	0.9	1.0	0.2	0.1	0.1	95.0	0.1	0.1	0.2	0.3	0.1
Haut-Bassins	1.3	5.5	3.0	0.2	0.2	0.5	0.3	0.2	82.0	0.5	0.2	0.2	1.8
Nord	3.8	4.1	3.8	0.1	0.8	1.9	0.2	0.1	5.1	96.9	0.6	0.5	1.5
Plateau-Central	0.1	0.2	5.0	0.9	0.4	1.2	1.3	0.4	0.4	0.2	93.2	0.1	0.4
Sahel	0.2	0.5	0.7	0.1	1.0	0.1	0.1	0.8	0.4	0.4	0.1	97.7	0.2
Sud-Ouest	0.2	1.7	0.9	0.0	0.0	0.2	0.1	0.0	1.3	0.1	0.1	0.1	92.8
sum	100.0	100.0	100.0	100.0	100.0	100.0	100.0	100.0	100.0	100.0	100.0	100.0	100.0

• Commentaire :

Exemple du Mali

Joining with `by = join_by(i)`
Joining with `by = join_by(j)`
Using Fij as value column: use value.var to override.

Migrations durée de vie (matrice)

	Bamako	Gao	Kayes	Kidal	Koulikoro	Mopti	Ségou	Sikasso	Timbuktu	NA	Sum
Bamako	1069670	1660	22020	500	111690	9350	17600	19740	2750	100	1255080
Gao	14720	461040	1350	2000	5230	4610	4950	3760	2720	910	501290
Kayes	86940	400	1865590	180	29450	2000	8050	8930	550	30	2002120
Kidal	770	550	250	59770	470	270	520	370	80	170	63220
Koulikoro	157280	550	32960	300	2073880	3900	14680	30500	900	70	2315020
Mopti	80020	1300	6760	590	31380	1944540	33030	28580	7680	40	2133920
Ségou	144180	6490	13920	330	56520	10510	2170970	51970	2610	120	2457620
Sikasso	109560	870	10770	350	40120	18570	23470	2403500	1360	120	2608690
Timbuktu	23150	2320	1230	1530	9250	14800	15600	4220	648360	200	720660
Sum	1686290	475180	1954850	65550	2357990	2008550	2288870	2551570	667010	1760	14057620

• Commentaire :

Probabilité de destination des migrants durée de vie (en %)

	Bamako	Gao	Kayes	Kidal	Koulikoro	Mopti	Ségou	Sikasso	Timbuktu	NA	sum
Bamako	0.0	0.9	11.9	0.3	60.2	5.0	9.5	10.6	1.5	0.1	100
Gao	36.6	0.0	3.4	5.0	13.0	11.5	12.3	9.3	6.8	2.3	100
Kayes	63.7	0.3	0.0	0.1	21.6	1.5	5.9	6.5	0.4	0.0	100
Kidal	22.3	15.9	7.2	0.0	13.6	7.8	15.1	10.7	2.3	4.9	100
Koulikoro	65.2	0.2	13.7	0.1	0.0	1.6	6.1	12.6	0.4	0.0	100
Mopti	42.3	0.7	3.6	0.3	16.6	0.0	17.4	15.1	4.1	0.0	100
Ségou	50.3	2.3	4.9	0.1	19.7	3.7	0.0	18.1	0.9	0.0	100
Sikasso	53.4	0.4	5.2	0.2	19.6	9.1	11.4	0.0	0.7	0.1	100
Timbuktu	32.0	3.2	1.7	2.1	12.8	20.5	21.6	5.8	0.0	0.3	100

• Commentaire :

Département de naissance des individus (en %)

	Bamako	Gao	Kayes	Kidal	Koulikoro	Mopti	Ségou	Sikasso	Timbuktu	NA
Bamako	63.4	0.3	1.1	0.8	4.7	0.5	0.8	0.8	0.4	5.7
Gao	0.9	97.0	0.1	3.1	0.2	0.2	0.2	0.1	0.4	51.7
Kayes	5.2	0.1	95.4	0.3	1.2	0.1	0.4	0.3	0.1	1.7
Kidal	0.0	0.1	0.0	91.2	0.0	0.0	0.0	0.0	0.0	9.7
Koulikoro	9.3	0.1	1.7	0.5	88.0	0.2	0.6	1.2	0.1	4.0
Mopti	4.7	0.3	0.3	0.9	1.3	96.8	1.4	1.1	1.2	2.3
Ségou	8.6	1.4	0.7	0.5	2.4	0.5	94.8	2.0	0.4	6.8
Sikasso	6.5	0.2	0.6	0.5	1.7	0.9	1.0	94.2	0.2	6.8
Timbuktu	1.4	0.5	0.1	2.3	0.4	0.7	0.7	0.2	97.2	11.4
sum	100.0	100.0	100.0	100.0	100.0	100.0	100.0	100.0	100.0	100.0

• Commentaire :